基于聚类电量曲线分解的地区中期负荷预测方法及装置

摘要

本发明公开基于聚类电量曲线分解的地区中期负荷预测方法及装置，方法包括根据各个相邻年份的电量序列相似度的均值大小，判断某一行业所属的行业周期性；将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；基于长期趋势分量和季节周期分量分别建立第一向量回归模型和第二向量回归模型；将某一行业的电量数据输入至与某一行业相关联的第一向量回归模型和第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。通过季节分解分离不同种类行业电量子序列，并针对不同电量序列建立对应支持向量回归预测模型，能够提高预测模型的准确率。

权利要求

1.一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，包括：响应于获取某地区中某一行业的历史电量数据，基于某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：

式中，D(i，j)为累积归整距离，d(xi，yj)为xi点与yj点之间的距离，θ为通过累积归整距离计算得到的电量序列相似度，D(i‑1，j)为xi‑1点与yj点的累积归整距离，D(i，j‑1)为xi点与yj‑1点的累积归整距离；

根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；

筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；

对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量以及不规则余项分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算，内循环的计算过程如下：Yi＝Ti+Si+Ri，

式中，Yi为第i个月的某一行业用电量，Ti为第i个月的长期趋势分量，Si为第i个月的季节周期分量，Ri为第i个月的不规则余项分量；

(k+1) (k)

式中，Ci 为k+1次迭代的第i个月内循环计算的临时分量，wi 为k次迭代的第i个月(k)

内循环临时分量的鲁棒性权重，Ti 为k次迭代的第i个月长期趋势分量；

式中， 为k+1次迭代的第i个月季节周期分量， 为k+1次迭代的第i个月内循环计算的临时分量对低通滤波的低通量；

(k+1)

式中，Ti 为k+1次迭代的第i个月长期趋势分量；

式中， 为k+1次迭代的第i个月不规则余项分量；

外循环对内循环鲁棒性权重进行计算的表达式为：(k)

式中，wi 为k次迭代的第i个月内循环临时分量的鲁棒性权重，h为避免余项离群值影响的临时变量， 为k次迭代的第i个月不规则余项分量；

式中，B(u)为bisquare函数，u为自变量；

式中，median()为median函数；

基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；

响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。

2.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，其中，所述行业周期性还包括弱周期行业和无明显周期行业，所述根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性包括：判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值；

若各个相邻年份的所述电量序列相似度的均值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第二预设阈值；

若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第二预设阈值，则某一行业为无明显周期行业。

3.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，所述将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果包括：输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理；

对用电特性相同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电量序列到聚类中心距离，并将各电量序列归入最近聚类中心类别；

若聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和‑聚类个数曲线图，其中，计算所述误差平方和的表达式为：式中，mj为第j个类别的聚类中心，Cj为第j个类别的行业电量序列集合，|Cj|为第j个类别的行业电量序列集合中元素的总数，Yp为第j个类别的行业p电量序列，k为聚类个数；

增加聚类数目直至聚类数目达到上限，选择所述误差平方和‑聚类个数曲线图中变化曲率最大的点，对应聚类数为最佳聚类结果。

4.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，所述对所述用电量聚类结果进行分解包括：根据局部加权回归的时间序列季节方法对所述用电量聚类结果进行分解。

5.一种基于聚类电量曲线分解的地区中期负荷预测装置，其特征在于，包括：计算模块，配置为响应于获取某地区中某一行业的历史电量数据，基于某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：式中，D(i，j)为累积归整距离，d(xi，yj)为xi点与yj点之间的距离，θ为通过累积归整距离计算得到的电量序列相似度，D(i‑1，j)为xi‑1点与yj点的累积归整距离，D(i，j‑1)为xi点与yj‑1点的累积归整距离；

判断模块，配置为根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；

聚类模块，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；

分解模块，配置为对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量以及不规则余项分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算，内循环的计算过程如下：

Yi＝Ti+Si+Ri，

式中，Yi为第i个月的某一行业用电量，Ti为第i个月的长期趋势分量，Si为第i个月的季节周期分量，Ri为第i个月的不规则余项分量；

(k+1) (k)

式中，Ci 为k+1次迭代的第i个月内循环计算的临时分量，wi 为k次迭代的第i个月(k)

内循环临时分量的鲁棒性权重，Ti 为k次迭代的第i个月长期趋势分量；

式中， 为k+1次迭代的第i个月季节周期分量， 为k+1次迭代的第i个月内循环计算的临时分量对低通滤波的低通量；

(k+1)

式中，Ti 为k+1次迭代的第i个月长期趋势分量；

式中， 为k+1次迭代的第i个月不规则余项分量；

外循环对内循环鲁棒性权重进行计算的表达式为：(k)

式中，wi 为k次迭代的第i个月内循环临时分量的鲁棒性权重，h为避免余项离群值影响的临时变量， 为k次迭代的第i个月不规则余项分量；

式中，B(u)为bisquare函数，u为自变量；

式中，median()为median函数；

建立模块，配置为基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；

输出模块，配置为响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。

6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。

说明书

基于聚类电量曲线分解的地区中期负荷预测方法及装置

技术领域

[0001] 本发明属于电力负荷预测技术领域，尤其涉及一种基于聚类电量曲线分解的地区中期负荷预测方法及装置。

背景技术

[0002] 中长期负荷预测是电网公司布局电力系统规划、优化电力资源配给与提供优质电力服务的基础，传统地区中长期负荷预测存在着历史电量数据样本较小、预测时间跨度较
大以及影响因素复杂繁多等问题，特别是随着我国社会经济水平的快速发展，各类行业用
电量稳中有升，跨行业用电特性与用电需求各不相同，因此做好地区负荷预测工作与行业
用电规律研究有助于电网企业进行电力系统布局规划、提供针对行业的定制化供电服务。

[0003] 当前国内对地区中长期负荷预测的研究主要集中于利用时间序列分解方法提取地区电量曲线规律信息以及利用人工智能技术实现影响因素多维回归负荷预测。现有时间
序列分解方法诸如通过小波分解方法提取电量曲线周期性分量信息、利用经验模态分解方
法分解非线性非平稳的电量曲线的本征模函数信息从而实现地区中长期负荷预测。此外，
人工智能算法有如BP神经网络、卷积神经网络、长短时记忆网络等，利用已有的经济气象等
影响因素对历史电量数据进行训练，分析地区负荷与多维影响因素关系，从而实现地区中
长期负荷预测。

[0004] 上述地区中长期负荷预测算法以地区整体负荷负荷发展趋势为研究目标，而传统时间序列分解方法旨在分解电量序列中的不同周期分量，对分解得出的子序列物理意义阐
述不明，预测结果的可解释性相对较弱。一个地区的用电总量是由居民负荷和各行业用电
负荷决定，行业的用电特性由其自身的生产规律决定，研究对应行业的发展趋势和用电规
律可以有效提高负荷预测准确率。而目前对行业电量预测仍处于按产业归属分类的初步研
究，并未完全针对行业自身生产规律进行有效研究。

发明内容

[0005] 本发明提供一种基于聚类电量曲线分解的地区中期负荷预测方法及装置，用于至少解决上述技术问题之一。

[0006] 第一方面，本发明提供一种基于聚类电量曲线分解的地区中期负荷预测方法，包括：响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序
列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量
序列相似度的表达式为：
式中， 为累积归整距离，  为 点与 点之间的距离，为通过累积归整距
离计算得到的电量序列相似度， 为 点与 点的累积归整距离，
为 点与 点的累积归整距离；根据各个相邻年份的所述电量序列相似度的均值大小，判
断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；筛选出某地区
中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚
类分析，使得到用电量聚类结果；对所述用电量聚类结果进行分解，并基于内外双循环机制
对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量
包括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分
量进行计算，外循环用于对内循环鲁棒性权重进行计算；基于所述长期趋势分量和所述季
节周期分量分别建立第一向量回归模型和第二向量回归模型；响应于获取的当前某一行业
的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回
归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测
结果求和得出地区中期负荷预测结果。

[0007] 第二方面，本发明提供一种基于聚类电量曲线分解的地区中期负荷预测装置，包括：计算模块，配置为响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻
年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行
业的电量序列相似度的表达式为：
式中， 为累积归整距离，  为 点与 点之间的距离，为通过累积归整距
离计算得到的电量序列相似度， 为 点与 点的累积归整距离，
为 点与 点的累积归整距离；判断模块，配置为根据各个相邻年份的所述电量序列相似
度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行
业；聚类模块，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个
强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；分解模块，配置为对所
述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量
进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内
循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒
性权重进行计算；建立模块，配置为基于所述长期趋势分量和所述季节周期分量分别建立
第一向量回归模型和第二向量回归模型；输出模块，配置为响应于获取的当前某一行业的
电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归
模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结
果求和得出地区中期负荷预测结果。

[0008] 第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所
述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例
的一种基于聚类电量曲线分解的地区中期负荷预测方法的步骤。

[0009] 第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任
一实施例的一种基于聚类电量曲线分解的地区中期负荷预测方法的步骤。

[0010] 本申请的一种基于聚类电量曲线分解的地区中期负荷预测方法及装置，通过计算行业周期性筛选发展趋势变动的行业，在发展趋势稳定的行业基础上聚类分析类似用电特
性的行业，通过季节分解分离不同种类行业电量子序列，并针对不同电量序列建立对应支
持向量回归预测模型，使得能够在提高预测模型准确率的基础上，对于当地行业发展趋势
有更为清晰的认知，有助于更为清晰地认识当地经济发展与产业升级情况，有助于供电企
业提供更为优质且适合的供电服务。

附图说明

[0011] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领
域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附
图。

[0012] 图1为本发明一实施例提供的一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；

[0013] 图2为本发明一实施例提供的又一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；

[0014] 图3为本发明一实施例提供的再一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；

[0015] 图4为本发明一实施例提供的一种基于聚类电量曲线分解的地区中期负荷预测装置的结构框图；

[0016] 图5是本发明一实施例提供的电子设备的结构示意图。

具体实施方式

[0017] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员
在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0018] 请参阅图1，其示出了本申请的一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。

[0019] 如图1所示，一种基于聚类电量曲线分解的地区中期负荷预测方法包括以下步骤：

[0020] 步骤S101，响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度。

[0021] 在本实施例中，对于某个行业电量序列，在行业电量周期性计算中引入动态时间归整算法，通过动态规划思想求解相邻年份电量序列之间的归整路径距离从而计算某一行
业的电量序列相似度。假设某行业相邻年份归一化电量序列分别为 和
， 为 归整距离矩阵，计算所述某一行业的电量序列相似度的表达
式为：

[0022]

[0023] 式中， 为累积归整距离，  为 点与 点之间的距离，为通过累积归整距离计算得到的电量序列相似度， 为 点与 点的累积归整距离，
为 点与 点的累积归整距离。

[0024] 步骤S102，根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性。其中，所述行业周期性包括强周期行业。

[0025] 在本实施例中，通过计算行业电量过往相邻年份序列相似度均值得出行业周期性进而评判行业发展趋势是否出现变动。对行业周期性区分作如下定义：行业发展趋势稳定
的强周期行业、行业发展趋势发生变化的弱周期行业以及受订单主导的无明显周期行业，
具体判定指标如下表所示:

[0026] 。

[0027] 步骤S103，筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果。

[0028] 在本实施例中，将无明显周期行业电量序列作残差舍去处理。选择发展趋势变化后的弱周期行业电量序列作为训练数据。并筛选出某地区中的强周期行业，并将用电特性
相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结
果。

[0029] 步骤S104，对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算。

[0030] 在本实施例中，根据局部加权回归的时间序列季节方法对所述用电量聚类结果进行分解，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内循环用于
对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进
行计算，

[0031] 内循环的计算过程如下：

[0032] ，

[0033] 式中， 为第i个月的某一行业用电量， 为第i个月的长期趋势分量， 为第i个月的季节周期分量， 为第i个月的不规则余项分量；

[0034] ，

[0035] 式中， 为 次迭代的第 个月内循环计算的临时分量， 为 次迭代的第 个月内循环临时分量的鲁棒性权重， 为 次迭代的第 个月长期趋势分量；

[0036] ，

[0037] 式中， 为 次迭代的第 个月季节周期分量， 为 次迭代的第 个月内循环计算的临时分量对低通滤波的低通量；

[0038] ，

[0039] 式中， 为 次迭代的第 个月长期趋势分量；

[0040] ，

[0041] 式中， 为 次迭代的第 个月不规则余项分量。

[0042] 外循环对内循环鲁棒性权重进行计算的表达式为：

[0043] ，

[0044] 式中， 为 次迭代的第 个月内循环临时分量的鲁棒性权重，为避免余项离群值影响的临时变量， 为 次迭代的第 个月不规则余项分量；

[0045] ，

[0046] 式中， 为bisquare函数， 为自变量；

[0047] ，

[0048] 式中，  为 函数。

[0049] 步骤S105，基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型。

[0050] 步骤S106，响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输
出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。

[0051] 综上描述，本申请的方法基于动态时间规整算法的行业电量曲线相似度判断可以有效避免因不同年份的春节假期在不同月份导致的电量低谷月份不同的“春节效应”现象
导致的行业周期性误判。在行业电量周期性计算结果的基础上，并聚类同一产业下属的用
电特性相似行业，使用季节分解算法提取长期趋势分量、季节周期分量以及不规则残差分
量。对各电量子序列建立支持向量回归预测模型，可以有效提高预测模型准确率，对于当地
行业发展趋势有更为清晰的认知，有助于更为清晰地认识当地经济发展与产业升级情况，
有助于供电企业提供更为优质且适合的供电服务。

[0052] 请参阅图2，其示出了本申请的又一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。该流程图主要是对步骤S102“根据各个相邻年份的所述电量序列相似度
的均值大小，判断所述某一行业所属的行业周期性”的情况的进一步限定的步骤的流程图。

[0053] 如图2所示，在步骤S201中，判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值；

[0054] 在步骤S202中，若各个相邻年份的所述电量序列相似度的均值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第一
预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第二预设阈值；

[0055] 在步骤S203中，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量序列相似
度的均值不大于第二预设阈值，则某一行业为无明显周期行业。

[0056] 在本实施例中，对于步骤S201，判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值。之后，对于步骤S202，若各个相邻年份的所述电量序列相似度的均
值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度
的均值不大于第一预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第
二预设阈值。最后，对于步骤S203，若各个相邻年份的所述电量序列相似度的均值不大于第
一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量
序列相似度的均值不大于第二预设阈值，则某一行业为无明显周期行业。从而实现了把行
业用电量作为研究对象，利用动态时间规整算法确定行业用电周期性从判断行业经济发展
趋势变动情况。

[0057] 请参阅图3，其示出了本申请的再一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。

[0058] 如图3所示，在步骤S301中，输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理；

[0059] 在步骤S302中，对用电特性相同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电量序列到聚类中心距离，并将各电量序列归入最近
聚类中心类别；

[0060] 在步骤S303中，若聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和‑聚类个数曲线图，其中，计算所述误差平方和的表达式为：

[0061] ， ，

[0062] 式中， 为第 个类别的聚类中心， 为第 个类别的行业电量序列集合， 为第 个类别的行业电量序列集合中元素的总数， 为第 个类别的行业 电量序列， 为
聚类个数；

[0063] 在步骤S304中，增加聚类数目直至聚类数目达到上限，选择所述误差平方和‑聚类个数曲线图中变化曲率最大的点，对应聚类数为最佳聚类结果。

[0064] 在本实施例中，对于步骤S301，输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理。之后，对于步骤S302，对用电特性相
同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电
量序列到聚类中心距离，并将各电量序列归入最近聚类中心类别。然后，对于步骤S303，若
聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和‑聚类个数曲线图，
其中，误差平方和‑聚类个数曲线图的纵坐标为误差平方和，横坐标为聚类个数。最后，对于
步骤S304，增加聚类数目直至聚类数目达到上限，根据误差平方和与聚类数曲线图选择变
化曲率最大的点，对应聚类数为最佳聚类结果。

[0065] 本实施例的方法，采用对用电特性相同或相似的至少两个强周期行业进行聚类处理，目的是为了分离不同用电特性的行业，降低了对之后季节分解的季节周期分量计算影
响，从而提高聚类曲线的周期性，进而提高电量预测的准确性。

[0066] 请参阅图4，其示出了本申请的一种基于聚类电量曲线分解的地区中期负荷预测装置的结构框图。

[0067] 如图4所示，地区中期负荷预测装置400，包括计算模块410、判断模块420、聚类模块430、分解模块440、建立模块450以及输出模块460。

[0068] 其中，计算模块410，配置为响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，
其中，计算所述某一行业的电量序列相似度的表达式为：

[0069]

[0070] 式中， 为累积归整距离，  为 点与 点之间的距离，为通过累积归整距离计算得到的电量序列相似度， 为 点与 点的累积归整距离，
为 点与 点的累积归整距离；

[0071] 判断模块420，配置为根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；

[0072] 聚类模块430，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；

[0073] 分解模块440，配置为对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包
括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分量
进行计算，外循环用于对内循环鲁棒性权重进行计算；

[0074] 建立模块450，配置为基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；

[0075] 输出模块460，配置为响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模
型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预
测结果。

[0076] 应当理解，图4中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块，在此
不再赘述。

[0077] 在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中
的基于聚类电量曲线分解的地区中期负荷预测方法；

[0078] 作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：

[0079] 响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度；

[0080] 根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性；

[0081] 筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；

[0082] 对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算；

[0083] 基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；

[0084] 响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业
负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。

[0085] 计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于聚类电量曲线
分解的地区中期负荷预测装置的使用所创建的数据等。此外，计算机可读存储介质可以包
括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其
他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器
远程设置的存储器，这些远程存储器可以通过网络连接至基于聚类电量曲线分解的地区中
期负荷预测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网
及其组合。

[0086] 图5是本发明实施例提供的电子设备的结构示意图，如图5所示，该设备包括：一个处理器510以及存储器520。电子设备还可以包括：输入装置530和输出装置540。处理器510、
存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接，图5中以通过总
线连接为例。存储器520为上述的计算机可读存储介质。处理器510通过运行存储在存储器
520中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处
理，即实现上述方法实施例基于聚类电量曲线分解的地区中期负荷预测方法。输入装置530
可接收输入的数字或字符信息，以及产生与基于聚类电量曲线分解的地区中期负荷预测装
置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。

[0087] 上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

[0088] 作为一种实施方式，上述电子设备应用于基于聚类电量曲线分解的地区中期负荷预测装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储
器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以
使至少一个处理器能够：

[0089] 响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度；

[0090] 根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性；

[0091] 筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；

[0092] 对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算；

[0093] 基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；

[0094] 响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业
负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。

[0095] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指
令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施
例或者实施例的某些部分的方法。

[0096] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。